图像去噪、去模糊和超分辨重建在图像处理领域是比较常见而且普通的问题,然而,这些问题都属于病态反问题。病态性是指解不唯一或是不连续依赖于数据,输入数据的任意小的扰动都会造成解的很大的扰动。对于病态反问题的处理,正则化方法是一种行之有效的方法,它能够稳定求解问题并且获得有效且稳定的解。然而在使用这种方法时,面临的比较重要的任务就是调整正则化的参数,选择最佳的正则化参数,获得复原效果最好的图像。本文主要针对图像重建正则化参数的选择做了主要以下工作：第一,我们使用正则化方法和最小二乘方法(LS)相结合构成正则化泛函来解决病态反问题。参数λ的选择在基于正则化的图像处理中是非常关键的。图像重建的效果一般是用最小均方误差MSE来衡量的,然而MSE的求解要涉及原始信号并且是无法获得或是先验未知的。论文中提出了一种比较实用的方法Stein的无偏估计(SURE),并对MSE无偏风险估计进行推导,这种方法的优点在于仅利用观测到的数据,而不需要原始图像的相关信息。第二,在本论文中,将SURE这种方法推广到图像去模糊,图像超分辨率等图像重建问题上。在去噪算法的表达式不是明确表达的情况下,SURE准则已经被证明能够在在图像去噪中对正则化参数进行选取。我们引入Monte-Carlo算法近似实现SURE的计算,这种方法不仅对复原算法是明确的表达函数时可行,对于不能解析表示出来的函数的复原算法也是可行的。通过基于Tikhonov(?)(?)总变分正则化两种不同方法的实验结果证明了我们的结论。在论文中我们用数值结果证明了用Monte-Carlo这种方法计算的SURE能够比较准确地估计MSE的值。第三,针对非局部平均图像去噪算法中滤波因子的宽度和稀疏正则化去噪算法的中阈值参数进行选择,首先进行图像重建,然后再用SURE(?)寸重建图像的MSE进行监测。实验结果表明了SURE方法在这两种参数选择上的有效性。